MiniMax H3 in ComfyUI: come eseguirlo in locale — file, GPU, impostazioni

MiniMax H3 è un modello video con audio stereo. MiniMax ha pubblicato i pesi aperti il 3 agosto 2026. In ComfyUI gira in modo nativo, senza nodi di terze parti: i template testo-video (T2V), immagine-video (I2V) e video da riferimenti (R2V) stanno nella libreria dei template. Qui sotto: cosa scaricare, quanto pesa, quale build scegliere per la tua GPU, come accelerare la generazione e dove il modello incontra i limiti. Tutte le cifre vengono dalla documentazione di ComfyUI e MiniMax al 26 ottobre 2026.

Che cosa ti serve per MiniMax H3 in ComfyUI

• ComfyUI 0.30.0 o più recente. Le funzioni più nuove chiedono versioni successive: Multiframe Reference vuole 0.34, Fun ControlNet e sparse attention 0.35, FastH3 0.36, e il build più leggero w6a8 vuole 0.38.
• Una GPU solida. Le accelerazioni della documentazione ComfyUI (INT8, NVFP4, Sage Attention) puntano a NVIDIA. MiniMax supporta AMD solo nell’ambiente server vLLM-Omni, tramite ROCm. MiniMax non pubblica una VRAM minima per ComfyUI e consiglia di provare sul tuo hardware — i riferimenti sono più sotto.
• Circa 42 GB su disco per il primo template e circa altri 23 GB per i riferimenti.

Sono aperti due modelli della famiglia H3-Base: FL2VA, video da testo e da un primo e ultimo fotogramma, e Ref2VA, video da riferimenti. Il modulo di preparazione deli riferimenti H3-Context-IR e l’ingrandimento a 2K H3-Regenerate-2K non sono pubblicati e funzionano solo tramite l’API MiniMax. In locale, quindi, H3 dà un fotogramma di circa 1 MP: 1344×768 in 16:9, un clip di 5–15 secondi a 24 fotogrammi al secondo e stereo a 32 kHz.

In che cosa H3 differisce dal precedente Hailuo 2.3, e quanto costa nell’API, è sulla pagina di Hailuo AI.

Quali file di MiniMax H3 scaricare e dove metterli

La via più semplice è aprire Template Library → Video, scegliere un template MiniMax H3 e scaricare i modelli dalla finestra. A mano, i file arrivano dal repository Comfy-Org/MiniMax-H3 su Hugging Face:

Cosa	File predefinito	Dimensione	Cartella
Modello T2V e I2V	minimax_h3_fl2va_pruned_int8_convrot	21 GB	models/diffusion_models/
Modello R2V	minimax_h3_ref2va_pruned_int8_convrot	21 GB	models/diffusion_models/
Encoder di testo Qwen3-VL-32B	qwen3vl_32b_minimax_h3_nvfp4_awq	15,7 GB	models/text_encoders/
VAE video	minimax_h3_video_vae_int8_convrot	2,8 GB	models/vae/
VAE audio	minimax_h3_audio_vae_fp32	0,6 GB	models/vae/
Turbo LoRA per T2V e I2V	minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16	2 GB	models/loras/
Turbo LoRA per R2V	minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16	2 GB	models/loras/

La Turbo LoRA serve anche con la modalità turbo spenta: il template controlla che il file ci sia al caricamento. T2V e I2V arrivano a circa 42 GB, e con R2V a circa 65 GB.

ComfyUI/models/
├── diffusion_models/
│   ├── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│   └── minimax_h3_ref2va_pruned_int8_convrot.safetensors
├── text_encoders/
│   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
├── vae/
│   ├── minimax_h3_video_vae_int8_convrot.safetensors
│   └── minimax_h3_audio_vae_fp32.safetensors
└── loras/
    ├── minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors
    └── minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors

Quale build di MiniMax H3 scegliere per la GPU

Comfy consiglia di prendere il build più piccolo che entra nella VRAM: l’offload sulla CPU costa più della precisione che perdi. Cambia solo il file nel nodo UNETLoader. ComfyUI legge il tipo di quantizzazione dal file stesso.

Build	Dimensione	Quando usarlo
pruned_w6a8	16 GB	il più leggero; serve ComfyUI 0.38+
pruned_int8_convrot	21 GB	il predefinito dei template
pruned_fp8_scaled	21 GB	la stessa dimensione dell’INT8
pruned_bf16	40,2 GB	senza quantizzazione; serve per Comfy Kitchen attention
bf16	66,3 GB	il build completo

Anche l’encoder di testo ha tre varianti: NVFP4 da 15,7 GB (nei template), INT8 da 27,1 GB e bf16 da 51,5 GB. Le schede RTX serie 30 non hanno FP8, e lì l’INT8 è circa il doppio più veloce dell’FP16 — usa i build INT8.

Non ci sono misure ufficiali solo per ComfyUI. Le cifre più vicine che MiniMax pubblica riguardano gli ambienti server SGLang e vLLM-Omni:

Hardware	Modalità	Risultato
1 × RTX 4090, 24 GB	offload sulla CPU + INT8	picco di circa 18 GB di VRAM; il tempo dipende dalla RAM
2 × RTX 5090, 32 GB	5 s, 1344×768, 50 passi	559,67 s, picco di 26,3 GB per scheda
2 × RTX 5090, 32 GB (vLLM-Omni)	lo stesso	8 min 38 s, picco di circa 22,6 GB per scheda

I template ComfyUI usano 20 passi di default, non 50, quindi sulle stesse schede il clip esce prima. Per FastH3, FastVideo ha profili pronti per RTX 5090 e DGX Spark, a 480p di default.

Come lanciare il primo clip

1. Aggiorna ComfyUI e apri il template MiniMax H3 T2V.
2. Lascia 0,4 MP per la prova: sono 864×480 in 16:9. Una bozza così si calcola in fretta e mostra se la scena va nella direzione giusta.
3. Per il clip finale imposta 0,98 MP oppure scrivi 1344 × 768 a mano. Non impostare 1,0 MP: dà 1376×768, più superficie di quella su cui il modello è stato addestrato. I lati sono multipli di 32.
4. La durata si imposta in secondi e si arrotonda per eccesso sulla griglia 17k+5: 5 secondi danno 124 fotogrammi, circa 5,17 s. Il modello è stato addestrato su 5–15 secondi.
5. Avvialo a 20 passi. Alle scene semplici bastano 12–16. Il dettaglio fine, come la cotta di maglia e i motivi, guadagna fino a 50.

Più la risoluzione si allontana da 1344×768, più la generazione è lenta e la qualità bassa; oltre quella misura non si aggiunge dettaglio. I clip lunghi a piena risoluzione urtano prima la VRAM — allora abbassa i megapixel.

Come scrivere i prompt per MiniMax H3

La documentazione ComfyUI consiglia di scrivere il prompt in inglese, e le battute dei personaggi dentro tag <d> con un’etichetta di lingua: <d>[Italian] …</d>. Chi parla, e come, va prima del tag. MiniMax include l’italiano tra 11 lingue con parlato stabile. Descrivi prima l’intera scena, poi le inquadrature con timecode, la camera e l’audio — in un solo blocco:

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot of a misty mountain lake at sunrise. The camera pushes in slowly as a young woman in a red raincoat walks along the wooden pier, turns to the camera, and the calm, warm-voiced woman (S1) says: <d>[Italian] Buongiorno.</d> [Shot 2] At 00:03.000, the camera cuts to a close-up of ripples spreading across the water.
overall_soundscape: Gentle water lapping against the pier, distant birds, wooden planks creaking under footsteps.
non_diegetic_music: Soft ambient piano.

• Niente negativi. H3 in ComfyUI gira con cfg 1 e senza ramo negativo: un elenco di «ciò che non vuoi» aggiunge solo quegli oggetti. Scrivi ciò che deve stare nel fotogramma.
• I tagli usano un solo timecode, At 00:03.500, the camera cuts to…, non un intervallo.
• Il testo a schermo va tra virgolette doppie inglesi, parola per parola, nella lingua della scritta.

Video da un’immagine e da riferimenti

I2V. Il template MiniMax H3 I2V prende il primo e l’ultimo fotogramma nel nodo MiniMaxH3ImageToVideo, e il movimento si costruisce fra i due. Il primo fotogramma viene stirato sulla tela senza conservare le proporzioni, l’ultimo viene ritagliato al centro. Il template si apre in 1:1 e 640×640 — imposta subito le proporzioni della tua immagine, altrimenti si deforma.

R2V. Il template MiniMax H3 R2V funziona solo con il modello Ref2VA e accetta fino a 9 immagini, 3 video e 3 audio. Nel prompt i riferimenti si chiamano <Picture 1>, <Video 1>, <Audio 1> — e per ciascuna dici che cosa fissa: volto, stile, movimento, camera o voce.

• Un riferimento video si legge a 24 fotogrammi al secondo — riconverti prima le altre frequenze.
• L’audio porta il timbro della voce, non le parole: ciò che va detto si scrive nel prompt.
• Per una somiglianza precisa resta su 20–25 passi. Con la turbo LoRA a 4 passi i riferimenti quasi non si applicano, e volto e posa slittano.

Come accelerare MiniMax H3

Metodo	Accelerazione	Contropartita
Turbo LoRA (turbo_mode)	8 passi invece di 20 in T2V e I2V, 4 in R2V	movimento e audio più morbidi, riferimenti più deboli
FastH3 8-step V2	8 passi, un modello distillato proprio	solo T2V e I2V, il numero di passi è fisso, ComfyUI 0.36+
Sage Attention	circa 2×	artefatti possibili in coda al clip su INT8
Sparse attention sol-attn	meno calcolo sui clip lunghi	sperimentale, ComfyUI 0.35+

L’audio si assesta più tardi dell’immagine: parlato e timbro chiedono da 12 passi, e a 8 passi l’audio è di solito il punto debole. Una Turbo LoRA taglia il numero di passi, non il tempo di un passo: una LoRA da 4 passi eseguita a 20 impiega quanto la base.

Sage Attention si installa come wheel per la tua versione di PyTorch e CUDA, poi si collega col nodo Patch Sage Attention KJ di KJNodes, tra UNETLoader e BasicGuider, oppure col flag --use-sage-attention. Gli avvisi in console, quando una parte dei layer torna all’attention normale, sono normali.

La versione più veloce con riferimenti, FastH3-Omni, è uscita il 20 ottobre 2026 — i dettagli sono nella notizia FastH3-Omni: pesi aperti di MiniMax H3.

Come ottenere il 2K e un clip più lungo di 15 secondi

Ingrandimento. Il 2K ufficiale non è disponibile in locale. La documentazione ComfyUI propone un latent upscaler non ufficiale: il file minimax_h3_latent_upscaler_3d_conv_v1_bf16 va in models/latent_upscale_models/, il nodo Minimax H3 Latent Upscaler (3D) si mette dopo la bozza (scala da 1 a 4, default 2), poi un passaggio di refine gira alla dimensione finale con denoise 0,1–0,5. Quel percorso risparmia tempo, non VRAM: il refine gira a dimensione piena. L’audio non cambia finché il refine non lo tocca.

Durata. I nodi accettano fino a 3.600 fotogrammi, ma il modello è stato addestrato su 5–15 secondi. Più lungo si fa a catena: il template video_minimax_h3_i2v_continuation prende l’ultimo fotogramma del pezzo precedente. Gli errori si accumulano, e la texture del volto se ne va per prima; taglia in inquadrature corte.

LoRA e fine-tuning di MiniMax H3

• Le LoRA di stile competono con i riferimenti: in R2V tieni la forza intorno a 0,5.
• Build pruned e completi. Una LoRA addestrata sul build completo perde parte dei pesi (adaln) su un build pruned — ComfyUI li salta in silenzio. Le Turbo LoRA funzionano su entrambi.
• La tua LoRA. MiniMax descrive il fine-tuning di FL2VA in miles-diffusion, ma la macchina di riferimento è 8 × H200, e l’encoder occupa circa 70 GB di RAM in quella fase. Su un computer di casa non si ripete.

Errori frequenti di MiniMax H3 in ComfyUI

Sintomo	Causa e correzione
Niente template o nodi H3	ComfyUI è più vecchio di 0.30.0 — aggiornalo
I riferimenti non cambiano il clip	sono collegate a un template T2V o I2V, che le ignora in silenzio; serve il template R2V
R2V non parte	è caricato FL2VA al posto di Ref2VA
L’immagine I2V è stirata	il primo fotogramma viene adattato alla tela senza proporzioni — imposta le proporzioni dell’immagine
Il clip è un po’ più lungo di quanto hai impostato	arrotondamento sulla griglia 17k+5: 5 s = 124 fotogrammi
Audio debole, parlato poco chiaro	pochi passi: ne servono 12 o più; il turbo a 8 passi cala
Morphing in coda, testo rotto con Sage	quantizzazione INT8 dell’attention; passa a pruned_bf16 e a Comfy Kitchen attention
Comfy Kitchen attention non parte	non funziona con i build int8_convrot, solo con bf16
VRAM insufficiente	un build più piccolo, 0,4 MP e 5 s, poi alza un’impostazione alla volta

Si può usare MiniMax H3 in ambito commerciale?

I pesi sono gratuiti da scaricare e da eseguire. L’uso commerciale dei risultati dipende dal paese e dal fatturato. Dalla documentazione ComfyUI:

• Fuori da Stati Uniti, UE, Regno Unito e Corea del Sud, con un fatturato sotto i 20 milioni di dollari l’anno, l’uso commerciale è coperto dalla licenza comunitaria gratuita di MiniMax H3. Serve la dicitura «Powered by MiniMax H3», e la regola territoriale copre anche dove i clip vengono mostrati.
• Negli Stati Uniti, nell’UE, nel Regno Unito, in Corea, o con un fatturato oltre i 20 milioni di dollari, serve una licenza a pagamento — Professional da 5.000 $ al mese, oppure Enterprise su accordo. La vende Comfy, come unico rivenditore ufficiale.
• In Comfy Cloud, i diritti commerciali sono già inclusi.

MiniMax avvisa che la licenza può cambiare: ha valore legale il testo sulla pagina dei pesi.

Quando è più semplice non installare MiniMax H3 in locale

L’H3 in locale ha senso se hai una GPU solida, ti serve la privacy o generi molto senza pagare a clip. Se ti serve un risultato oggi, senza scaricare 42 GB e senza scegliere i build, MiniMax H3 è nel generatore di AI2Face come Hailuo. Paghi con carta o con criptovaluta. Il prezzo del clip si vede prima dell’avvio, e dopo la registrazione arrivano crediti di benvenuto. Il confronto con altri modelli video è nella rassegna dei generatori di video AI.

Conclusioni

MiniMax H3 in ComfyUI è la via più semplice verso un modello video aperto con l’audio: un template, 42 GB di file e 20 passi. Parti dal T2V a 0,4 MP e 5 secondi per verificare che tutto giri, poi alza la risoluzione a 1344×768. Se la VRAM è stretta, prendi pruned_w6a8 o INT8 e una turbo LoRA per le bozze; per il finale torna a 20 passi. I riferimenti chiedono un Ref2VA a parte e più passi. Per il 2K, e per un risultato finito senza la tua GPU, usa il generatore di AI2Face.